一种用于传统零样本、广义零样本和少样本学习的统一方法
计算机视觉与模式识别
2018-10-17 v2
摘要
零样本学习中的主流技术不能很好地泛化到其他相关的问题场景。本文中，我们提出了一种用于传统零样本、广义零样本和少样本学习问题的统一方法。我们的方法基于一种新颖的类自适应主方向（CAPD）概念，该概念允许将图像特征多重嵌入到语义空间中。给定一张图像，我们的方法为每个已见类生成一个主方向。然后，它学习如何组合这些方向以获得每个未见类的主方向，使得测试图像的 CAPD 与真实类的语义嵌入对齐，并与其他类的语义嵌入相反。这使得从已见类到未见类的信息传递高效且具有类自适应性。此外，我们提出了一种自动过程，用于为每个未见类选择最有用的已见类，以实现零样本学习的鲁棒性。我们的方法可以利用少量未见图像的优势来更新未见类的 CAPD，从而在少样本学习场景下工作。此外，我们的方法可以通过估计已见-未见多样性来泛化已见类的 CAPD，从而显著提高广义零样本学习的性能。我们广泛的评估表明，所提出的方法在零样本、广义零样本和少/单样本学习问题中均能持续取得优越的性能。
引用
@article{arxiv.1706.08653,
title = {A Unified approach for Conventional Zero-shot, Generalized Zero-shot and Few-shot Learning},
author = {Shafin Rahman and Salman H. Khan and Fatih Porikli},
journal= {arXiv preprint arXiv:1706.08653},
year = {2018}
}